AWS'de Makine Öğrenimi Ardışık Düzenleri eğitimi, proje tabanlı bir öğrenme ortamında gerçek bir iş problemini çözmek için makine öğrenimi (ML) işlem hattının nasıl kullanılacağını göstermektedir.
Katılımcılar, eğitmen sunumları ve gösterimleri aracılığıyla işlem hattının her bir aşaması hakkında bilgi edinecek ve ardından bu bilgileri üç iş probleminden birini çözen bir projeyi tamamlamak için uygulayacaklardır: dolandırıcılık tespiti, öneri motorları veya uçuş gecikmeleri. Eğitimin sonunda katılımcılar, Amazon SageMaker kullanarak seçtikleri iş sorununu çözen bir makine öğrenimi modelini başarıyla oluşturmuş, eğitmiş, değerlendirmiş, ayarlamış ve dağıtmış olacaklardır.
Bu eğitime katılmak isteyenlerin aşağıdaki ön koşullara sahip olmalarını tavsiye ederiz:
Python programlama dili hakkında temel bilgi
Amazan Web Services bulut altyapısı hakkında temel bilgi (Amazon S3 ve Amazon CloudWatch)
Jupyter notebook ortamında çalışma konusunda temel deneyim
Bu eğitime katılanlar;
- Belirli bir iş problemi için uygun makine öğrenimi yaklaşımını seçme ve gerekçelendirme,
- Belirli bir iş sorununu çözmek için makine öğrenimi hattını kullanma,
- Amazon SageMaker'da bir makine öğrenimi modelini eğitme, değerlendirme, dağıtma ve ayarlama,
- AWS'de ölçeklenebilir, maliyet açısından optimize edilmiş ve güvenli makine öğrenimi ardışık düzenleri tasarlamaya yönelik en iyi uygulamaları öğrenecekler ve eğitim tamamlandıktan sonra makine öğrenimini gerçek hayattaki bir iş problemine uygulayabilir hale geleceklerdir.
Modül 1: Makine Öğrenimine Giriş ve ML Pipeline
Kullanım durumları, makine öğrenimi türleri ve temel kavramlar dahil olmak üzere makine öğrenimine genel bakış
Makine öğrenimi boru hattına genel bakış
Eğitimde yapılacak projelere ön bakış
Modül 2: Amazon SageMaker'a Giriş
Amazon SageMaker'a Giriş
Demo: Amazon SageMaker ve Jupyter not defterleri
Laboratuvar 1: Amazon SageMaker'a Giriş
Modül 3: Problem Formülasyonu
Problem formülasyonuna genel bakış ve makine öğreniminin doğru çözüm olup olmadığına karar verme
Bir iş problemini makine öğrenimi problemine dönüştürme
Demo: Amazon SageMaker Ground Truth
Uygulamalı: Amazon SageMaker Ground Truth
Problem Formülasyonu Alıştırması ve Gözden Geçirme
Problem Formülasyonu için Proje Çalışması
Modül 4: Ön İşleme
Veri toplama ve entegrasyonuna genel bakış ve veri ön işleme ve görselleştirme teknikleri
Laboratuvar 2: Veri Önişleme (proje çalışması dahil)
Modül 5: Model Eğitimi
Doğru algoritmayı seçme
Eğitim için verilerinizi biçimlendirme ve bölme
Modelinizi geliştirmek için kayıp fonksiyonları ve gradyan inişi
Demo: Amazon SageMaker'da bir eğitim işi oluşturun
Modül 6: Model Eğitimi
Sınıflandırma modelleri nasıl değerlendirilir?
Regresyon modelleri nasıl değerlendirilir?
Uygulama modeli eğitimi ve değerlendirmesi
Proje modellerini eğitin ve değerlendirin
Lab 3: Model Eğitimi ve Değerlendirme (proje çalışması dahil)
Proje Paylaşımı
Modül 7: Özellik Mühendisliği ve Model Ayarlama
Özellik çıkarma, seçme, oluşturma ve dönüştürme
Hiperparametre ayarlama
Demo: SageMaker hiperparametre optimizasyonu
Lab 4: Özellik Mühendisliği (proje çalışması dahil)
Modül 8: Modül Dağıtımı
Amazon SageMaker'da modelinizi dağıtma, çıkarım yapma ve izleme
Uçta makine öğrenimini dağıtma
Modül 9: Eğitim Özeti
Proje Paylaşımı 2
Değerlendirme Sonrası
Özet
Sınıf eğitimlerimizi İstanbul, Ankara ve Londra ofislerimizde düzenlemekteyiz. Kurumunuza özel eğitimleri ise, dilediğiniz tarih ve lokasyonda organize edebiliriz.